Nvidias AVO nådde 100 procent – men modellen var inte poängen
AVO löste hela den publika ARC-AGI-3-sviten med Claude Opus 5, men resultatet säger mer om minne, verktyg och återkoppling än om en enskild modell.
Nvidia har fått ett Claude Opus 5-baserat agentsystem att lösa samtliga 183 nivåer i de 25 publika ARC-AGI-3-miljöerna. Systemet, Agentic Variation Operators eller AVO, landade på 100,00 i måttet RHAE och använde 6 624 miljöhandlingar.
Den stora poängen är inte att Claude plötsligt blivit tre gånger smartare. Nvidias tekniska genomgång visar i stället hur mycket kapabilitet som kan ligga i systemet runt modellen: persistent minne, verktyg, exekveringsfeedback och en supervisor som bryter dödlägen.
Samma loop, helt annan uppgift
AVO byggdes först för autonom optimering av GPU-kärnor. I forskningsartikeln beskriver Nvidia hur agenten under sju dygn utforskade fler än 500 optimeringsspår och skapade 40 kernel-versioner. På de testade B200-konfigurationerna slog de bästa resultaten cuDNN med upp till 3,5 procent och FlashAttention-4 med upp till 10,5 procent.
På ARC-AGI-3 byttes uppgiften, inte grundloopen. Agenten fick en textrepresentation av ett okänt rutnät, testade handlingar, observerade resultatet och bar lärdomar vidare mellan nivåerna. Det är precis den typ av lång horisont där vanliga modellchattar brukar börja glömma, upprepa sig eller självsäkert springa åt fel håll.
ARC Prize beskriver ARC-AGI-3 som ett interaktivt test utan instruktioner, regler eller uttalade mål. Agenten måste själv lista ut vad miljön gör och vad framgång betyder. Det gör testet mer relevant för agentarkitektur än ännu ett prov i att välja rätt svarsalternativ.
Asterisken är viktig
Nvidias rubrik jämför AVO:s 100 procent med cirka 30 procent för Claude Opus 5. Men Nvidia skriver själva att detta inte är en kontrollerad ablation. Körningarna skiljer sig i reasoning-inställning, observationer, minne, kontexthantering och övrig implementation. Resultatet gäller dessutom den publika uppsättningen, inte ARC-AGI-3:s semi-privata eller privata tävlingsset.
AVO använde omkring 12 procent färre handlingar än VISTA med samma modellfamilj, men även den jämförelsen är mellan två olika kompletta system. Det är alltså för tidigt att sätta ett exakt procenttal på värdet av minnet eller supervisorn var för sig.
Det är mindre magiskt än en 30-till-100-rubrik. Och mer användbart. För svenska team som bygger agenter flyttar utvärderingen från ”vilken modell vann veckan?” till en mer produktionsnära fråga: vilket system kan behålla relevant tillstånd, använda rätt verktyg, mäta verkliga resultat och återhämta sig när planen var dålig?
Nvidias AVO löste alla 183 nivåer i den publika ARC-AGI-3-sviten med Claude Opus 5. Systemet använde persistent minne, verktyg, återkoppling och supervision för att hålla ihop arbetet över lång tid. Resultatet gäller inte de semi-privata eller privata tävlingsseten.
Kapabiliteten i en produktionsagent sitter inte bara i grundmodellen. Arkitekturen runt modellen kan avgöra om agenten lär av feedback, undviker upprepning och faktiskt slutför ett långt uppdrag.
För nordiska utvecklingsteam betyder det att modellval bara är en rad i systemdesignen. Minne, behörigheter, observability, evals och återhämtning behöver mätas som egna komponenter.
AVO är ett starkt argument för agent systems engineering, men inte ett bevis för att modellen blivit oviktig. En bra harness kan frigöra kapabilitet som redan finns; den kan också göra misstagen mer uthålliga. Minnet behöver därför vara lika granskbart som det är persistent.
